买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安电子科技大学申请的专利利用双去噪器替代人工先验的高光谱图像异常检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115222712B 。

龙图腾网通过国家知识产权局官网在2025-09-12发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210896450.8，技术领域涉及：G06T7/00；该发明授权利用双去噪器替代人工先验的高光谱图像异常检测方法是由谢卫莹;马松林;刘易丹;蒋恺;雷杰;李云松设计研发完成，并于2022-07-28向国家知识产权局提交的专利申请。

本利用双去噪器替代人工先验的高光谱图像异常检测方法在说明书摘要公布了：本发明提出了一种利用双去噪器替代人工先验的高光谱图像异常检测方法，利用双去噪器分别对字典系数张量进行低秩平滑处理和对异常张量进行去噪处理以替代人工先验；构建噪声评估模块评估三维张量每个通道的噪声方差，使去噪器自适应地设置去噪方差参数。本发明主要解决人工先验项参数计算优化过程过于复杂，以及去噪器手工设置的去噪方差参数与实际输入去噪器的三维张量噪声方差存在较大误差的问题，提升了检测不同高光谱图像中异常的鲁棒性和检测过程中计算优化的效率，双去噪器去除与异常一同被检测出的噪声，突显异常目标，去噪效果更优，提高了异常检测精度。

本发明授权利用双去噪器替代人工先验的高光谱图像异常检测方法在权利要求书中公布了：1.一种利用双去噪器替代人工先验的高光谱图像异常检测方法，其特征在于，构建噪声评估模块自适应评估噪声张量各通道的噪声方差，设计替代人工先验并自适应调整去噪方差参数的双去噪器；该异常检测方法的步骤包括如下： 步骤1.获得降维的判别性特征矩阵： 将一张待检测的高光谱图像中每个通道的二维图像中第一行到最后一行的值按行排列成光谱矩阵中每一列的值，将光谱矩阵归一化后输入到一个由全连接层构成的编码器中，输出该高光谱图像降维后的判别性特征矩阵，将该矩阵中每一行的值排列为一个判别性特征向量；其中， 步骤2.由判别性特征矩阵获得表示背景的字典原子矩阵： 步骤2.1，求判别性特征矩阵中每一个判别性特征向量隶属于高斯分量类别的概率，将此判别性特征向量分类到所有概率中的最大概率值所对应的高斯分量类别中，将属于每一类高斯分量的所有判别性特征向量隶属于该类别高斯分量的所有概率中的最大概率值对应的判别性特征向量作为属于该类别高斯分量的所有判别性特征向量的中心判别性特征向量，将属于每一类高斯分量的所有判别性特征向量隶属于该类别高斯分量的所有概率中的最小概率值对应的判别性特征向量作为属于该类别高斯分量的所有判别性特征向量的边界判别性特征向量； 步骤2.2，按照第一类高斯分量类别到最后一类高斯分量类别的顺序，将属于任意一类高斯分量的所有判别性特征向量的中心判别性特征向量和属于该类高斯分量的所有判别性特征向量的边界判别性特征向量按行组成字典原子矩阵； 步骤3.构建噪声评估模块： 步骤3.1，将一张形状为[m1,n1,c1]的三维噪声图像中所选取的一张未选过通道内的二维噪声图像裁剪成数量为m-d+1n-d+1、长为d、宽为d的二维图像块，将每个二维图像块中第一行的像素值到最后一行的像素值按行排列成一个维度为d2×1的一个向量，将所有向量的值按行组成一个数值矩阵；其中，m1表示三维噪声图像的行像素数，n1表示三维噪声图像的列像素数，c1为表示三维噪声图像的通道数，d表示裁剪的尺寸大小； 步骤3.2，计算所有向量的均值向量； 步骤3.3，计算数值矩阵的协方差矩阵； 步骤3.4，计算协方差矩阵的特征值，并将特征值从小到大进行排序得到一个特征值列表； 步骤3.5，计算特征值列表中所有特征值的均值； 步骤3.6，判断特征值列表中所有特征值的均值是否与特征值列表的中位数相等，若是，则所选通道的噪声方差的数值等于该均值的平方根后执行步骤3.7；否则，删除特征值列表中的最后一个特征值后执行步骤3.5； 步骤3.7，判断是否选完三维噪声图像中所有的通道，若是，则完成噪声评估模块的构建后执行步骤4，否则，执行步骤3.1； 步骤4.设计一个以FFDNet卷积神经网络为框架的去噪器： 步骤4.1，将一张形状为[m2,n2,c2]的三维噪声图像输入到噪声评估模块中，输出该三维噪声图像中每个通道的二维噪声图像的噪声方差；其中，m2表示三维噪声图像的行像素数，n2表示三维噪声图像的列像素数，c2表示三维噪声图像的通道数； 步骤4.2，将三维噪声图像中所选取的一张未选过通道内的二维噪声图像及其噪声方差一并输入到训练好的FFDNet卷积神经网络，输出去噪后的二维图像；其中，该网络的去噪方差参数自适应地设置为三维噪声图像中所选通道内的二维图像的噪声方差； 步骤4.3，判断是否选完三维噪声图像中所有的通道，若是，将所有通道去噪后的二维图像按照三维噪声图像的通道顺序排列成去噪后的三维图像，完成该去噪器的设计后执行步骤5，否则，执行步骤4.2； 步骤5.设计一个以高斯滤波器为框架的去噪器： 步骤5.1，将一张形状为[m3,n3,c3]的三维噪声图像输入到噪声评估模块中，输出该三维噪声图像中每个通道的二维噪声图像的噪声方差；其中，m3表示三维噪声图像的行像素数，n3表示三维噪声图像的列像素数，c3为表示三维噪声图像的通道数； 步骤5.2，将三维噪声图像中所选取的一张未选过通道内的二维噪声图像及其噪声方差一并输入到滑窗大小为3×3的高斯滤波器，输出去噪后的二维图像；其中，该高斯滤波器的滑窗卷积核的滤波系数的方差参数自适应地设置为三维噪声图像中所选通道内的二维噪声图像的噪声方差； 步骤5.3，判断是否选完三维噪声图像中所有的通道，若是，将所有通道去噪后的二维图像按照三维噪声图像的通道顺序排列成去噪后的三维图像，完成该去噪器的设计后执行步骤6，否则，执行步骤5.2； 步骤6.利用双去噪器检测异常： 步骤6.1，构建一个初始值为全零的字典系数矩阵，该矩阵的行数与步骤2.2中字典原子矩阵的行数相同、列数与步骤1中判别性特征矩阵的行数相同，构建一个初始值为全零的异常矩阵，该矩阵的行数与步骤1中判别性特征矩阵列数相同、列数与步骤1中判别性特征矩阵的行数相同； 步骤6.2，按照下式，计算字典系数矩阵的梯度下降中间估计矩阵： 其中，VS表示字典系数矩阵的梯度下降中间估计矩阵，S表示字典系数矩阵，λS表示参数，其值在[0.0001,0.1]范围内随机选取的一个实数，表示对·关于S求偏导操作，表示Frobenius范数，X表示判别性特征矩阵的转置矩阵，D表示字典原子矩阵的转置矩阵，E表示异常矩阵； 步骤6.3，将字典系数矩阵的梯度下降中间估计矩阵排列成三维张量作为字典系数中间估计张量，该三维张量中每一个通道的矩阵由该梯度下降中间估计矩阵中每一列的值排列组成； 步骤6.4，将字典系数中间估计张量输入到以FFDNet卷积神经网络为框架的去噪器中，输出字典系数三维张量； 步骤6.5，将字典系数三维张量中每个通道的二维矩阵中第一行到最后一行的值按行排列成更新后的字典系数矩阵中每一列的值； 步骤6.6，按照下式，计算异常矩阵的梯度下降中间估计矩阵： 其中，VE表示异常矩阵的梯度下降中间估计矩，λE表示参数，其值在[0.0001,0.1]范围内随机选取的一个实数，表示对·关于E求偏导操作，Snew表示更新后的字典系数矩阵； 步骤6.7，将异常矩阵的梯度下降中间估计矩阵排列成三维张量作为异常中间估计张量，该三维张量中每一个通道的矩阵由该梯度下降中间估计矩阵中每一列的值排列组成； 步骤6.8，将异常中间估计张量输入到以高斯滤波器为框架的去噪器中，输出异常三维张量； 步骤6.9，将异常三维张量中每个通道的二维矩阵中第一行到最后一行的值按行排列成更新后的异常矩阵中每一列的值； 步骤6.10，判断更新后的字典系数矩阵和更新后的异常矩阵是否满足终止条件，若是，则执行步骤7，否则，执行步骤6.2； 步骤7，保存异常图像： 求更新后的异常矩阵中每一列的二范数值，将所有二范数值按行排列成二范数值矩阵，将此二范数值矩阵绘图并保存异常图像。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安电子科技大学，其通讯地址为：710071 陕西省西安市太白南路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。